Modelización económica en salud


Diseños de estudio


Análisis de datos


Educación y formación


Análisis de datos

 

En Heorfy Consulting, somos conscientes de la importancia de manejar la información con rigor, des de la recogida de datos y la codificación hasta el análisis. Estamos seguros que es la única manera de obtener la mejor evidencia posible del vuestro proyecto. Para asegurarlo, nuestro trabajo sigue les conocidas directrices para el reporte de los principales tipos de estudio, como la guía CONSORT para ensayos aleatorizados o la guía STROBE para estudios observacionales, y las recomendaciones del grupo conjunto ISPOR‐ISPE sobre real‐world evidence en la toma de decisiones en salud.

 

  • En Heorfy Consulting, somos expertos en la aplicación de métodos estadísticos avanzados y algoritmos de aprendizaje automático a datos de atención primaria y secundaria.

 

  • En Heorfy Consulting, somos expertos en toda una variedad de métodos estadísticos, como análisis descriptivos estándares, técnicas multivariantes, modelos de regresión multivariables adecuados para cualquier tipo de datos y mecanismo de observación subyacente, y metaanálisis. Los métodos avanzados de análisis de supervivencia y resultados longitudinales son el núcleo de nuestra experiencia.

 

  • La industria sanitaria está avanzando en el uso de algoritmos de aprendizaje automático en ensayos clínicos. El valor de los resultados de estos estudios depende de la transparencia de los algoritmos, la robustez de los datos y la extrapolación al mundo real[ref]. En Heorfy Consulting, estamos familiarizados con los algoritmos de aprendizaje automático, tanto los más estándar como los más innovadores, como los métodos bagging y boosting.

 

  • Dado que el aprendizaje automático en la investigación sanitaria puede tener un impacto directo en la vida de les persones, las afirmaciones derivadas de este tipo de investigación se han de hacer con el mismo rigor que los ensayos clínicos [ref]. En Heorfy Consulting, somos conscientes de la importancia de ser críticos con los datos (qué tipo de información reflejan los datos) y las métricas utilizadas para evaluar el rendimiento de los modelos obtenidos.